Detección de causalidad dinámica por concavidad de cardinalidad de intersección

Área de la Ciencia:

• Ciencia de Sistemas Complejos
• Neurociencia
• Análisis de Series Temporales

Sus antecedentes:

• Descubrir la causalidad a partir de datos de series temporales es crucial pero desafiante.
• Los métodos tradicionales como la causalidad de Granger y la entropía de transferencia tienen limitaciones.
• Los métodos de mapeo cruzado existentes tienen dificultades con la no linealidad y los datos ruidosos.

Objetivo del estudio:

• Desarrollar un método novedoso, robusto y no lineal para la detección de causalidad en datos de series temporales.
• Abordar las limitaciones de las técnicas de mapeo cruzado existentes.
• Introducir el concepto de "concavidad de IC" para una medición fiable de la fuerza causal.

Principales métodos:

• Se propuso la cardinalidad de mapeo cruzado (CMC) utilizando la cardinalidad intersecional (IC).
• Se cuantificó la IC a partir de los vecinos de la variable causante a los vecinos de mapeo cruzado de la variable de efecto en el espacio de incrustación de retardo.
• Se introdujo y validó el concepto de "concavidad de IC" para la causalidad dinámica.

Principales resultados:

• CMC demuestra una precisión y robustez superiores en comparación con los métodos existentes en datos simulados y del mundo real.
• Identificó con éxito las relaciones causales entre las neuronas de la corteza motora en un experimento de intercepción manual.
• Validó la efectividad de la "concavidad de IC" para distinguir la causalidad de la no causalidad.

Conclusiones:

• La cardinalidad de mapeo cruzado (CMC) ofrece una potente herramienta basada en datos para detectar la causalidad dinámica.
• El concepto de "concavidad de IC" proporciona una medida fiable de la fuerza causal.
• CMC avanza significativamente la detección de causalidad en sistemas complejos, especialmente en aplicaciones de neurociencia.